LLM/RAG/AI Engineer (GigaChat Enterprise)

Компания "Салют для Бизнеса"

Мы - команда GigaChat Enterprise, дочерняя организация Сбера, мы занимаем лидирующие позиции в сфере коммерциализации технологии GenAI с продуктом GigaChat. Мы предлагаем полный цикл решений: LLM-модель GigaChat для локальной и облачной инсталляции, инфраструктуру для GenAI, платформу для разработки агентных систем, готовые GenAI-решения для быстрого старта в типовых задачах, реализацию уникальных клиентских кейсов, консалтинг по GenAI-трансформации. В своей работе мы помогаем нашим партнерам перейти от экспериментов с технологией к промышленному масштабированию, обеспечивая безопасность, адаптивность и экономическую выгоду.

Обязанности:

• Проектировать и разрабатывать RAG-пайплайны: chunking, embedding, retrieval, reranking, generation
• Подбирать стратегии обработки и разбиения документов под разные типы контента (recursive, semantic, document-aware chunking)
• Работать с разными форматами данных: PDF, DOCX, XLSX, изображения, документы без текстового слоя
• Настраивать и оптимизировать векторный и гибридный поиск
• Проектировать flow с логикой вызовов: роутинг, условные переходы, цепочки промптов
• Разрабатывать агентные системы с использованием инструментов и многошаговым планированием
• Интегрировать внешние модели: embedding-модели, rerankers, классификаторы, vision-модели
• Оценивать качество систем: настраивать retrieval-метрики (hit rate, MRR, NDCG), проводить оценку генерации (RAGAS, faithfulness, relevancy)
• Контейнеризировать и деплоить решения на on-prem инфраструктуру

Требования

• Опыт работы от 3х лет
• Опыт работы с AI инструментами: от года
• Опыт создания RAG-систем
• Понимание архитектуры LLM: принципы работы трансформеров, управление контекстным окном, ограничения по токенам, стратегии работы с длинным контекстом (chunking, map-reduce, refine), узкие места inference
• Знание NLP: токенизация, эмбеддинги, работа с текстом на разных языках
• LangChain, LlamaIndex
• LLM-инференс: OpenAI API, GigaChat API, vLLM, Ollama
• Векторные БД: FAISS, Qdrant, Milvus, Chroma, Weaviate, Elasticsearch
• Hybrid search: BM25 + dense retrieval, reciprocal rank fusion
• Embedding-модели: e5, bge, multilingual-e5
• Python, Git, Docker, docker-compose
• PostgreSQL, Redis
• Методы оценки: hit rate, RAGAS, human evaluation
• Способность объяснить принятые технические решения и их trade-offs

Условия

• достойная заработная плата + годовой бонус
• сильная команда
• ДМС, с первого рабочего дня
• работа в аккредитованной IT компании
• льготная ипотека от Сбера
• локация: Москва, м. Цветной бульвар.